red neuronal y entradas - página 7
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Bueno, por ejemplo, los bancos normales hacen un seguimiento de lo que se hace con la tarjeta, y si se trata de compras "inusuales", la red bloqueará la tarjeta. La red funciona desde hace tiempo en los aeropuertos, en el metro en caso de que sea necesario encontrar la "cara" adecuada. La red identifica el objetivo en caso de detección y guiado. En las grandes empresas: como duplicado de una persona, en caso de emergencia. De hecho, la red funciona en muchos lugares.
El más amplio.
En mi opinión, la norma de la red es la siguiente. Se sabe qué enseñar. Por ejemplo, enseñamos a reconocer la letra "a" escrita a mano presentando la cuadrícula con miles de variantes ortográficas. Sospecho que las desviaciones de todas las variantes de la letra respecto al ideal forman una serie estacionaria. Por lo tanto, hay dos condiciones para el éxito: se sabe lo que hay que enseñar y las desviaciones del ideal forman una serie estacionaria. Parece posible alejarse de este ideal. Pero aquí entra un tercer problema: la complejidad computacional.
Pero estoy discutiendo el mercado. En el mercado hay muchos algoritmos matemáticos que permiten un enfoque más consciente de la construcción de ST. Por lo tanto, es más productivo dedicar tiempo a la matemática que a la compleja NS.
El más amplio.
En mi opinión, la norma de la red es la siguiente. Se sabe qué enseñar. Por ejemplo, enseñamos a reconocer la letra "a" escrita a mano presentando la cuadrícula con miles de variantes ortográficas. Sospecho que las desviaciones de todas las variantes de la letra respecto al ideal forman una serie estacionaria. Por lo tanto, hay dos condiciones para el éxito: se sabe lo que hay que enseñar y las desviaciones del ideal forman una serie estacionaria. Parece que es posible desviarse de este ideal. Pero aquí aparece un tercer problema: la complejidad computacional.
Pero estoy discutiendo el mercado. En el mercado hay muchos algoritmos matemáticos que permiten un enfoque más consciente de la construcción de ST. Por lo tanto, es más productivo dedicar tiempo a la matestadística que a una NS bastante compleja.
En cuanto al reconocimiento de las letras del alfabeto (por analogía), es necesario asumir que el mercado es un sistema cerrado ... Lo que hará que sea estacionario (en su idioma). Es decir, debemos introducir todo lo que sabemos sobre el mercado. )))))
1. El mercado no es un sistema cerrado, sino un sistema vivo, ya que está formado por las opiniones de las personas.
2. 'Estacionario' no es mi lenguaje.
Eso es, retírense.
1. El mercado no es un sistema cerrado, sino un sistema vivo, porque está formado por las opiniones de la gente.
2. 'Estacionario' no es mi lenguaje.
Eso es, retírense.
No he intentado demostrarte nada, no me interesa ))).
return(0);
En mi opinión, la norma de la red es la siguiente. Se sabe qué enseñar. Por ejemplo, enseñamos a reconocer la letra "a" escrita a mano presentando la cuadrícula con miles de variaciones ortográficas.
En realidad no, aunque muchas redes sencillas aprenden como tú describes. Pero hay redes que se autoaprenden sobre la marcha, como nuestro cerebro. Por cierto, negar la utilidad de las redes es como negar la utilidad de nuestro cerebro. Y nuestro cerebro opera con éxito con todo tipo de datos: estacionarios y no estacionarios. Otra cosa es afirmar que las redes de libros de texto simples pueden hacer lo mismo que nuestro cerebro, es decir, encontrar patrones, etc. Así que soy pesimista sobre la utilidad de estas "simples" redes en el comercio. Y todavía no hay suficiente potencia informática para redes más complejas que funcionen según principios biológicos.
Por cierto, aquí tienes un interesante vídeo sobre una cámara de autoaprendizaje. La cámara aprende a reconocer rostros a diferentes distancias y ángulos una vez que se le ha mostrado una cara. Creado por un estudiante checoslovaco, que más tarde fundó su propia empresa.
https://www.youtube.com/watch?v=1GhNXHCQGsM
No normalizar es la mejor manera de alimentar los datos, si es posible, por supuesto. Se conserva toda la información de la señal. No hay distorsión.
Es mejor luchar con la escala: hay más posibilidades de retener la información que de distorsionarla mediante la normalización.
Y por segunda vez pregunto: ¿dónde funcionan las redes en tiempo real?
La cuestión es que el NS en sí mismo es una cierta secuencia de cálculos con coeficientes desconocidos que deben determinarse en el proceso de aprendizaje. Esta tarea en matemáticas se denomina problema de regresión (sus casos especiales son la clasificación y la agrupación). Se puede realizar mediante algoritmos absolutamente diferentes, cada uno de los cuales tiene sus propiedades y peculiaridades, ventajas e inconvenientes. La ventaja de la NS clásica es que puede funcionar en ausencia de datos a priori sobre el objeto.
Por ejemplo, enseñamos a una red a reconocer imágenes de números del 0 al 9, le mostramos las imágenes y le enseñamos las respuestas correctas. Si no especificamos en la estructura de la red que los dígitos serán de tal tamaño, color y demás, tiene que ajustarse a los datos de entrada. Y, de hecho, lo hace - ¡pero! - lentamente, y este es precisamente el inconveniente de NS. Y si las primeras 1000 figuras mostradas a la rejilla eran negras sobre fondo blanco, y luego empezamos a mostrarla blanca sobre negro (introduciendo la no estacionalidad en la línea de entrada), entonces la rejilla debería ser entrenada de nuevo.
Pero si explicamos a la red de antemano que una imagen puede ser invertida (es decir, describimos la no estacionariedad y la introducimos en la estructura NS, por ejemplo, diciéndole que una señal desconocida en la salida -N debe interpretarse como +N), entonces la red no se confundirá en este tipo de no estacionariedad. Pero se derrumbará en otro. Sin embargo, la red ya tiene esto en común con todos los demás algoritmos: funcionan mejor con los no estacionarios, que fueron puestos en el sistema por un humano.
Pero también hay diferencias: por ejemplo, muchos algoritmos de seguimiento de los parámetros de la señal de entrada, que se describen en la teoría del control óptimo, pueden seguir una clase más amplia de no estaciones que la establecida a priori, naturalmente, con algunas limitaciones. La NS, por desgracia, no puede hacerlo. Tal vez la única opción para la NS sean los sistemas cuasi estacionarios, es decir, aquellos en los que los parámetros flotan con un tiempo característico no inferior al tiempo de entrenamiento de la red neuronal.
Así que, respondiendo a la pregunta: las redes funcionan principalmente en tareas en las que es imposible o muy difícil definir a priori un modelo de señal de entrada: tareas de reconocimiento, análisis semántico (texto, sonido, imagen, ...), cognitivas (resolver captchas) y sus combinaciones. Pero las tareas complejas requieren una red GRANDE (literalmente) y compleja, como esta (y esto, por cierto, está al límite de la tecnología actual, compruébalo).
¿A quién le gusta la no estacionalidad? Cualquier algoritmo, incluso el más sofisticado, fallará cuando cambien las características de la señal de entrada. Cualquier algoritmo. No hay milagros ))))
De nuevo, si conocemos de antemano la naturaleza de la no estacionariedad, podemos introducirla en el algoritmo y, al detectar esta misma no estacionariedad, ajustar rápidamente los parámetros del controlador.